Referência: algoritmos de aprendizado de máquina para o Adaptive Planning
O Adaptive Planning oferece vários algoritmos para o Predictive Forecaster e um para detecção de anomalias. Todos os algoritmos fornecem resultados suficientes. Ainda assim, recomendamos que você faça um processo de tentativa e erro para encontrar o melhor algoritmo para seus dados.
A tabela apresenta algumas diretrizes gerais e recursos para ajudá-lo a fazer suas seleções. Sempre verifique a precisão dos dados de sua previsão.
Comparação de algoritmos
Além da proporção de 3:2 entre os pontos de dados de referência e de previsão, você também deve ter os pontos de dados mínimos listados na tabela para cada algoritmo.
Algoritmo | Detalhes | Requisitos e recursos |
|---|---|---|
Ajuste automático | Modelo classificador | Sazonalidade : Anual, Bianual e Trimestral com uma opção Semanal e uma Multiplicativa.Mínimo de pontos de dados na referência : 15 Alavancas : Sim Observações : ideal para dados que:
O ajuste automático pode aplicar algoritmos que não oferecem suporte a determinados recursos. Exemplo: quando o Ajuste automático aplica Croton, ele não usa sazonalidade ou alavancas. |
ARIMA | Modelo auto-regressivo e de média móvel. | Sazonalidade: considera automaticamente os impactos sazonais sem especificações definidas pelo usuário.
Mínimo de pontos de dados na referência : 10Alavancas: simObservações:
|
Croston | Modelo de suavização exponencial. | Sazonalidade : nãoMínimo de pontos de dados na referência : 2Alavancas : Não Observações :
|
Holt-Winters | Modelo de sazonalidade aditiva ou multiplicativa.
Suavização exponencial | Sazonalidade : Anual, Bianual e Trimestral com uma opção Multiplicativa. Mínimo de pontos de dados na referência : 9 Alavancas : Não Observações :
|
Kalman Filter | Um modelo de espaço de estados
Estima valores futuros com base nos valores históricos conhecidos em uma série temporal. Estima recursivamente os valores médios das previsões considerando os componentes de ruído em cada etapa e as estimativas obtidas na etapa anterior. | Sazonalidade : opção em que você pode indicar se quer ou não contabilizar a sazonalidade. Mínimo de pontos de dados na referência : 2 Alavancas : Não Observações :
|
LightGBM | Modelo de aprendizado supervisionado
Usa atrasos e seus impactos na previsão. | Sazonalidade : nãoMínimo de pontos de dados na referência : 12 Alavancas : Sim Observações : ideal para cenários de previsão de demanda. |
N-BEATS | Modelo de aprendizado metadeep inicializado com conjuntos de dados públicos.
Cria uma rede neural que tem conhecimento geral sobre a série temporal histórica. Treinado em mais de 60.000 séries temporais que o domínio público também usa. Rápido porque usa um único modelo para cada série temporal. | Sazonalidade : considera automaticamente os impactos sazonais sem especificações definidas pelo usuário.Mínimo de pontos de dados na referência : 2Alavancas : Não |
Orbit DLT | Modelo de tendência aditiva e amortecida | Sazonalidade : Anual, Bianual e Trimestral. Mínimo de pontos de dados na referência : 2Alavancas : Não Observações : ideal para dados com:
|
Prophet | Um modelo aditivo com tendências não lineares
Enquadra o processo de previsão como um problema de ajuste de curva e acomoda sazonalidades e alavancagens externas. | Sazonalidade : Anual, Bianual e Trimestral com uma opção Semanal e uma Multiplicativa.Mínimo de pontos de dados na referência : 2 Alavancas : Sim Observações : ideal para dados com:
|